-
-
公开(公告)号：CN106028371A
公开(公告)日：2016-10-12
申请号：CN201610290921.5
申请日：2016-05-05
Applicant: 北京邮电大学
CPC classification number: H04W24/02 , H04W52/143 , H04W72/082
Abstract: 本发明一种降低微小区簇间串行干扰的动态TDD配置方法，属于移动通信领域；具体为：首先，统计每个微小区簇分别受其余所有微小区簇对自身的干扰值；然后，将干扰值从大到小分为等级1到等级C；设置等级1的微小区簇为目标小区簇，其他小区簇定义为邻小区簇。最后，为目标小区簇和邻小区簇分别匹配UL‑DL子帧配置模式，目标小区簇上报给簇内所有基站以及邻小区簇簇头；邻小区簇与目标小区簇的配置模式进行比较后，邻小区簇把比较后的UL‑DL子帧配置模式上报给簇内所有基站。优点在于：综合考虑干扰值和业务自适应性，通过设定下行发送功率减小值，并且明确目标小区簇和相邻小区簇间的信令交互过程，降低小区簇之间干扰提升系统性能。
-
公开(公告)号：CN105933923A
公开(公告)日：2016-09-07
申请号：CN201610244229.9
申请日：2016-04-19
Applicant: 北京邮电大学
Abstract: 本发明一种超密集组网小区分簇方法，属于移动通信领域；步骤为：首先，每个微基站实时获取所有用户的UE_MR数据，计算邻微小区i对用户j的干扰信息；然后，计算某微小区中所有用户的干扰信息平均值作为等效干扰；计算所有的邻微小区对该微小区的等效干扰；并设定等效干扰门限EIth，选择该微小区的干扰小区集合；最后，判断该微小区的干扰小区集合与上一周期是否相同，如果相同，重新计算干扰信息；否则，微小区发送自己的干扰小区集合给宏基站；宏基站进行分簇，并通知各微小区。优点为：采用网络整体划分进行分簇，无原始簇或起始点的选择，其分簇结果具有稳定性；将UE_MR预处理工作交由微基站负责，微小区分簇由宏基站负责，达到负载均衡的目的。
-
公开(公告)号：CN116866195A
公开(公告)日：2023-10-10
申请号：CN202310609667.0
申请日：2023-05-26
Applicant: 北京邮电大学
IPC: H04L41/147 , H04L41/16 , H04L41/12 , H04W24/06
Abstract: 本发明提供一种模型训练方法、装置及设备，该方法包括：获取多个样本基站各自对应的多组样本通信特征，基于多组样本通信特征各自的采集时刻，对多组样本通信特征进行组合，得到三维通信特征张量，基于三维通信特征张量和各采集时刻，确定多个训练样本，基于三维通信特征张量和多个样本通信特征，确定各样本通信特征空间下的基站空间拓扑图，基于多个训练样本和基站空间拓扑图，对初始图时空模型进行训练，得到通信流量预测模型。本发明提供的模型训练方法、装置及设备用于提高通信流量预测模型的准确性。
-
公开(公告)号：CN111866912B
公开(公告)日：2021-07-20
申请号：CN202010549613.6
申请日：2020-06-16
Applicant: 北京邮电大学
Abstract: 本发明公开了基于时间‑空间的业务量区域分类和分析方法，属于预测和网络优化技术领域。首先选取若干个相邻的基站，构造各基站的坐标点集合，并查询各基站相应的历史业务量。然后构建Delaunay三角网，记录每个三角形的三个基站点坐标，生成三角形链表P。遍历三角形链表P，利用三角形外心寻找维诺边，画出维诺图，自动将所有基站划分为若干多边形区域；同时对每个区域的相邻区域进行记录，实现空间上的划分；同时采用k‑NN算法对所有区域的业务量数据进行分类，实现时间上的划分。最后对维诺图中历史业务量变化趋势相同且相邻的基站区域标记为同一个颜色，并利用格兰杰因果关系检验各分类区域的业务量数据的因果性。本发明提高了网络优化的准确度。
-
Patent Agency Ranking
公开(公告)号：CN105933923B
公开(公告)日：2019-03-22
申请号：CN201610244229.9
申请日：2016-04-19
Applicant: 北京邮电大学
Abstract: 本发明一种超密集组网小区分簇方法，属于移动通信领域；步骤为：首先，每个微基站实时获取所有用户的UE_MR数据，计算邻微小区i对用户j的干扰信息；然后，计算某微小区中所有用户的干扰信息平均值作为等效干扰；计算所有的邻微小区对该微小区的等效干扰；并设定等效干扰门限EIth，选择该微小区的干扰小区集合；最后，判断该微小区的干扰小区集合与上一周期是否相同，如果相同，重新计算干扰信息；否则，微小区发送自己的干扰小区集合给宏基站；宏基站进行分簇，并通知各微小区。优点为：采用网络整体划分进行分簇，无原始簇或起始点的选择，其分簇结果具有稳定性；将UE_MR预处理工作交由微基站负责，微小区分簇由宏基站负责，达到负载均衡的目的。
-
-
公开(公告)号：CN116800645A
公开(公告)日：2023-09-22
申请号：CN202310588163.5
申请日：2023-05-23
Applicant: 北京邮电大学
IPC: H04L43/0876 , H04L41/147 , H04L43/50 , H04L67/10 , H04L67/12
Abstract: 本发明提供一种蜂窝流量预测方法、边缘服务设备及云服务设备，该方法包括：边缘服务设备根据流量数据，确定时间特征值；边缘服务设备向云服务设备发送时间特征值；云服务设备接收边缘服务设备发送的时间特征值；云服务设备根据时间特征值，确定边缘服务设备对应的空间特征值；云服务设备向边缘服务设备发送空间特征值；边缘服务设备接收云服务设备发送的空间特征值；边缘服务设备根据时间特征值和空间特征值，确定边缘服务设备对应的蜂窝流量预测结果。云服务设备可为边缘服务设备在预测蜂窝流量时提供全局视角和空间相关性感知能力，使得该边缘服务设备根据时间特征值与该云服务设备发送的空间特征值，对该边缘服务设备的蜂窝流量进行准确预测。
-
公开(公告)号：CN112105048A
公开(公告)日：2020-12-18
申请号：CN202010731814.8
申请日：2020-07-27
Applicant: 北京邮电大学
Abstract: 本发明公开了基于双周期Holt‑Winters模型和SARIMA模型的组合预测方法，属于无线网络流量预测和网络优化领域。首先提取基站m个无线网络流量数据，利用前m‑k项数据，进行预测步长为k的双周期Holt‑Winters模型预测和SARIMA模型预测，分别存入数组 和将m‑k～m时刻的原始流量数据与预测结果 和分别对比，计算误差平方和EDHW及ESA。然后利用误差平方和倒数法确定DHW模型和SARIMA模型的权系数；同理对前m项数据进行双周期Holt‑Winters模型预测和SARIMA模型预测，将m+1～m+k时刻的预测结果存入数组yDHW和ySA中，并利用权系数wDHW和wSA，将对应时刻的预测结果进行加权组合，得到之后k个时间粒度的预测结果ycombine[i]。最后利用预测结果观测未来k小时的流量数据变化情况。本发明计算效率高，提升了稳定度与准确度。
-
公开(公告)号：CN105611549B
公开(公告)日：2019-02-22
申请号：CN201610040906.5
申请日：2016-01-21
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于信号强度的小区覆盖半径计算方法，步骤如下：一、设置定值和初始化变量；二、计算信号强度rsrp：三、判断|rsrp‑Threshold|＜ε，如果是，执行八；否则执行四；四、判断|dmax‑dmin|＜D；如果是令d＝dpre，执行十；否则执行五；五、判断二的rsrp＞Threshold是否成立；如果成立将d的值赋给dmin，否则赋给dmax，均重新计算d：六、再次计算rsrp；七、判断|rsrp‑Threshold|＜ε，如果是，说明六的rsrp≈Threshold成立，执行八；否则执行四；八、判断|d‑dpre|＜D/2是否成立；如果成立，认为当前距离d为最终所需距离，执行十；否则执行九；九、以八的当前距离d作为下一次二分法的距离下限以求取满足条件的更大距离，返回四；十、以当前距离d为小区覆盖半径。通过循环使用二分法求出了信号强度下限对应最大距离作为小区覆盖半径，计算结果准确可靠。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.035 seconds)
